Fitness-based Adaptive Control of Parameters in Genetic Programming: Adaptive Value Setting of Mutation Rate and Flood Mechanisms
本文涉及遗传算法和遗传编程的任务，这是很难找到一个表示，不映射到一个高度复杂和不连续的健身景观的应用。在这种情况下，标准算法很容易陷入局部极值。本文提出了几个自适应机制，是有用的，在防止搜索陷入困境。
2016-05-05 cs.NE
Semantic Neighborhood Ordering in Multi-objective Genetic Programming based on Decomposition
遗传编程中的语义多样性在进化搜索中被证明是非常有益的。我们目睹了该领域科学作品数量的激增，首先是在离散空间开始，然后转移到连续空间。然而，绝大多数的这些作品，都集中在单目标遗传编程范例的注意力，与少数例外，专注于进化多目标优化（EMO）。后者的作品使用了众所周知的强大的算法，包括非支配排序遗传算法II和强度帕累托进化算法，两者都深受帕累托优势的概念。这些鼓舞人心的工作使我们在EMO中向前迈出了一步，考虑基于分解的多目标进化算法（MOEA/D）。我们首次展示了如何在遗传编程中促进MOEA/D的语义多样性。
2021-04-13 cs.NE
Differentiable Genetic Programming
我们介绍了使用高阶自动微分，通过截断泰勒多项式的代数，在遗传编程。使用笛卡尔遗传编程编码，我们得到一个高阶泰勒表示的程序输出，然后用于反向传播学习过程中的错误。由此产生的机器学习框架被称为可微笛卡尔遗传编程（dCGP）。在符号回归的背景下，dCGP提供了一个新的方法，长期未解决的问题，在GP表达式的常数表示。在几个问题的复杂性增加，我们发现，dCGP是能够找到的符号表达式的确切形式，以及常量值。我们还演示了使用dCGP来解决一大类微分方程，并找到动力系统的素积分，在这两种情况下，结果证实了我们的方法的有效性。
2016-11-15 cs.NE
Fitness Landscape Analysis of Dimensionally-Aware Genetic Programming Featuring Feynman Equations
遗传编程是一种常用的符号回归技术：从未知函数中找到与数据匹配的符号表达式。为了使符号回归更有效，还可以使用约束方程的物理单位的维度感知遗传编程。然而，没有正式的分析维度意识在回归过程中有多大帮助。在本文中，我们进行了适应度景观分析dimensionallyaware遗传编程搜索空间的一个子集的方程从理查德费曼著名的讲座。我们定义了一个初始化过程和一个附带的一组邻域运营商进行本地搜索的物理单位的限制。实验结果表明，增加的变量维数信息可以有效地指导搜索算法。尽管如此，需要进一步分析维度感知和标准遗传编程景观之间的差异，以帮助设计用于维度感知回归的高效进化算子。
2020-04-27 cs.NE
Genetic Programming Theory and Practice: A Fifteen-Year Trajectory
本文依托始于2003年的GPTP研讨会这一遗传编程领域核心学术交流平台，梳理并呈现了该领域过去十五年的主题发展轨迹，为研究遗传编程的演进历程提供了参考。
2024-02-01 cs.NE
Faster Genetic Programming GPquick via multicore and Advanced Vector Extensions
我们发展浮点六次多项式人口的遗传编程二叉树多达一百万代。通过交叉创建的程序包含近4亿条指令。为了支持无限的长期演进实验LTEE GP，我们使用SIMD并行AVX 512位指令和48个线程，在单个英特尔至强Gold 6126 2.60GHz服务器上产生高达每秒1390亿次GP操作，139 giga GPops的性能。
2019-02-25 cs.NE
Computational Complexity Results for Genetic Programming and the Sorting Problem
遗传编程（GP）已经发现了各种应用。从理论的角度理解这种类型的算法是一项具有挑战性的任务。GP的计算复杂性的第一个结果已经得到了孤立的程序语义的问题。在本文中，我们提出了一个依赖程序语义问题的GP的计算复杂性分析。我们研究了著名的排序问题，在这种情况下，严格分析GP如何处理不同的措施排序。
2011-05-06 cs.NE
Computational Complexity Analysis of Multi-Objective Genetic Programming
遗传编程（GP）的计算复杂性分析是近年来通过分析求解ORDER和MAJORITY问题的简单（1+1）GP算法而开始的。在本文中，我们研究如何采取的复杂性作为一个额外的标准影响运行时的行为。我们考虑广义的顺序和多数，并提出了一个计算复杂性分析（1+1）GP使用多标准的健身功能，考虑到原来的目标和语法树的复杂性作为次要措施。此外，我们研究的预期时间，直到人口为基础的多目标遗传编程算法计算的Pareto前沿时，作为一个同样重要的目标的语法树的复杂性。
2012-03-22 cs.NE
Using LLVM-based JIT Compilation in Genetic Programming
本文描述了一种实现遗传编程的方法，它使用LLVM库来实时编译/解释进化的抽象语法树。该解决方案进行了详细描述，包括解析器（基于FlexC++和BisonC++），可以从一个简单的玩具语言与C类语法构造树。该方法与以前的实现（基于直接执行树使用多态函子）的执行速度。
2017-01-20 cs.NE
Parallel and in-process compilation of individuals for genetic programming on GPU
在GPU硬件上实现遗传编程的三种方法是编译、解释和直接生成机器码。与其他两种方法相比，编译方法具有令人望而却步的开销。本文研究了在GPU硬件上加速遗传编程个体编译的方法。我们应用进程内编译，以尽量减少在每一代的编译开销，我们研究的方法来并行化进程内编译。进程内编译不适合琐碎的线程并行化，我们提出了一个多进程并行化使用内存共享和操作系统进程间通信原语。通过并行编译，我们进一步减少了编译开销。这项工作的另一个贡献是我们在C#中为实验构建的代码框架。该框架使得构建任意语法的遗传编程实验成为可能，这些实验在GPU上运行，只需最少的额外编码工作，并且可以作为开源提供。
2017-05-21 cs.NE
Application of Multi-core Parallel Programming to a Combination of Ant Colony Optimization and Genetic Algorithm
本文将蚁群算法与遗传编程算法相结合，对旅行商问题（NP-难）进行优化。然而，算法的复杂性需要相当多的计算时间和资源。并行实现可以减少计算时间。本文在并行化部分重点介绍了多核体系结构和多处理器系统，并利用Intel公司的OpenMP库实现了算法组合的多核并行化。
2014-11-05 cs.NE
The Effect of Multi-Generational Selection in Geometric Semantic Genetic Programming
在进化方法中，一个非常突出的是遗传编程，近年来，一种称为几何语义遗传编程（GSGP）的变体已被证明成功地适用于许多现实世界的问题。由于其实现的特殊性，GSGP需要存储所有的进化历史，即，从第一个开始的所有人口。我们利用这些存储的信息来定义一个多代选择方案，该方案能够使用来自老年人群的个体。我们表明，有限的能力，使用“老”代实际上是有用的搜索过程中，从而显示了零成本的方式，提高性能的GSGP。
2022-05-05 cs.NE
Genetic Programming with Local Scoring
我们提出了通过突变序列合成程序的新技术。其中包括：（1）局部评分方法，为程序中的每个表达式分配分数，使我们能够更精确地识别错误代码;（2）假设表达式，作为进化if条件的中间步骤;以及（3）循环进化，我们通过扩展和缩减阶段进化程序。为了证明它们的优点，我们提供了一个基本的概念验证实现，我们显示出正确的代码的几个函数操作整数和列表，包括一些难以处理的现有的遗传编程技术。
2023-01-25 cs.NE
The Effects of Population Size on the Performance of BEAGLE GPU-Based Genetic Programming Runs
Michigan State University（密歇根州立大学）；Noblis（诺布利斯）
研究探讨了GPU支持下种群规模对符号回归问题训练成功的影响，发现某些问题受益于狭窄深度搜索，而其他问题受益于广度浅层搜索，同时探索了逐步变化的种群规模以平衡搜索广度和深度。
2026-04-27 cs.NE
Towards Deep Representation Learning with Genetic Programming
遗传编程（GP）是一种通常用于机器学习任务的进化算法。在本文中，我们提出了一种方法，允许GP的表示的大规模机器学习数据集转换成一个更紧凑的表示，通过处理功能从原始表示在个人层面上。我们开发的这种方法的自动编码器的概念证明。我们在各种知名的机器学习图像数据集中测试了我们方法的初步版本。我们推测，以迭代方式使用的这种方法可以产生与最先进的深度神经网络竞争的结果。
2018-02-20 cs.NE
Evolutionary Design of Digital Circuits Using Genetic Programming
对于简单的数字电路，可以很容易地应用设计电路的常规方法。但是对于复杂的数字电路，传统的电路设计方法由于耗时长而不适用。相反，遗传编程主要用于自动程序生成。设计算术电路（通常是数字电路）的现代方法是基于图形的。基于图的算术电路进化设计是一种算术电路优化设计方法。本文提出了一种新的数字电路进化设计方法，即用带子树变异的遗传编程（GP）代替基于图的设计。使用这种技术获得的结果表明，在有限的计算机算法的数字电路设计中的潜在能力的遗传编程。所提出的技术，有助于简化和加速设计数字电路的过程中，发现在数字电路设计领域的变化，优化的数字电路可以成功地和有效地设计。
2013-04-09 cs.NE
SignalGP-Lite: Event Driven Genetic Programming Library for Large-Scale Artificial Life Applications
事件驱动的遗传编程表示已被证明优于传统的命令式表示的互动密集型问题。事件驱动的方法将基因组内容组织成响应环境信号而触发的模块，从而简化了模拟设计和实现。现有的开发事件驱动的遗传编程方法的工作主要使用SignalGP库，其迎合传统的程序合成应用。SignalGP-Lite库通过减少控制流开销和交易运行时灵活性以获得更好的性能（由于编译时配置），从而使用简化的代理进行更大规模的人工生命实验。在这里，我们报告了基准测试实验，显示了8倍到30倍的加速。我们还报告解决方案的质量相当于SignalGP最初开发的两个基准问题，以测试进化的程序响应大量的信号和调制信号响应的基础上的上下文的能力。
2021-08-01 cs.NE
The Computational Theory of Intelligence: Applications to Genetic Programming and Turing Machines
在本文中，我们继续努力的智能计算理论（CTI）的概念，包括计算过程中的遗传算法（GA）和图灵机（TM）。主动，被动和混合计算智能过程也介绍和讨论。我们认为CTI的假设的后果方面的质量的生殖和男性。生物学，计算机科学和网络安全的应用也进行了讨论。
2014-12-14 cs.NE
An Efficient Genetic Programming System with Geometric Semantic Operators and its Application to Human Oral Bioavailability Prediction
最近，新的遗传算子，称为几何语义算子，已被定义为遗传编程。与唯一基于个体语法的标准遗传算子不同，这些新算子基于它们的语义，这意味着训练数据上的输入-输出对的集合。此外，这些算子呈现了一个有趣的特性，即为每个问题引入单峰适应度景观，包括在给定的输入和输出数据之间找到匹配（例如回归和分类）。然而，这些算子的当前定义具有严重的局限性：它们使种群中个体的大小呈指数增长，因此它们的使用在实践中是不可能的。本文旨在克服这一局限性，提出了一种新的遗传编程系统，实现几何语义算子在一个非常有效的方式。为了证明所提出的系统的功能，我们使用它来解决药代动力学领域中的一个复杂的实际应用：预测潜在新药的人体口服生物利用度。除了良好的性能，训练数据，这是预期的，因为健身景观是单峰的，我们还报告了一个优秀的泛化能力，所提出的系统，至少对于所研究的应用。事实上，它优于标准的遗传编程和一系列其他众所周知的机器学习方法。
2012-08-12 cs.NE
Improving a Parallel C++ Intel AVX-512 SIMD Linear Genetic Programming Interpreter
利用MAGPIE优化C++线性遗传编程解释器，通过AVX-512 SIMD加速提升性能
2025-12-09 cs.NE
On the Success Rate of Crossover Operators for Genetic Programming with Offspring Selection
遗传编程是一种功能强大的启发式搜索技术，用于许多现实世界的应用，以解决回归，分类和时间序列预测等问题。虽然以模式定理的形式对遗传编程进行理论描述已经取得了很大的进展，但是遗传编程的内在动力和成功因素仍然没有得到充分的理解。特别是，不同的交叉算子结合后代选择的效果在很大程度上是未知的。这一贡献揭示了著名的GP交叉算子的能力，以创建更好的后代时，应用于基准问题。我们的结论是，标准（子树交换）交叉是一个很好的默认选择，结合后代选择，GP与后代选择和随机选择的交叉算子可以提高性能的算法在最佳解的质量时，没有解决方案的大小限制。
2013-09-23 cs.NE
Less is More: A Call to Focus on Simpler Models in Genetic Programming for Interpretable Machine Learning
可解释性对于在高风险应用中安全和负责任地使用机器学习模型至关重要。到目前为止，演化计算（EC），特别是遗传编程（GP）的形式，代表了一个关键的使能器的可解释的机器学习（IML）模型的发现。在这篇简短的论文中，我们认为，在GP的IML的研究需要集中在低复杂度的模型的空间中搜索，通过调查新的搜索策略和重组方法。此外，根据我们将研究纳入临床实践的经验，我们认为研究应该努力设计更好的建模方法并追求可解释性，以便最终获得最有用的解决方案。
2022-04-05 cs.NE
Geometric Semantic Genetic Programming Algorithm and Slump Prediction
再生混凝土作为建筑材料的性能研究是当前国际上的一个重要课题。由于再生混凝土的组成复杂，传统的坍落度预测方法难以取得令人满意的结果。基于非线性预测方法的理论，结合再生混凝土的特点，提出了基于几何语义遗传编程（GSGP）的再生混凝土坍落度预测模型。通过对实际工程中不同配合比的再生混凝土坍落度进行计算，并将预测值与试验值进行对比，结果表明，该模型能够准确预测再生混凝土的坍落度。通过与其他几种非线性预测模型的比较，我们可以得出结论，GSGP具有更高的精度和可靠性比传统的方法。
2017-12-07 cs.NE
A Survey on Techniques of Improving Generalization Ability of Genetic Programming Solutions
在使用遗传编程（GP）进行经验建模的领域中，进化出具有良好泛化能力的解是非常重要的。GP解的泛化能力受到两个重要问题的影响：膨胀和过拟合。我们调查和分类现有的文献相关的GP研究社区使用不同的技术来处理这些问题。我们也指出了这些技术的局限性，如果有的话。此外，还讨论了不同膨胀控制方法的分类以及膨胀和过拟合的措施。我们相信，这项工作将是有用的GP从业者在以下方面：（i）更好地理解GP中的泛化概念（ii）比较现有的膨胀和过拟合控制技术和（iii）选择适当的方法来提高GP进化解决方案的泛化能力。
2012-11-06 cs.NE
Transformer Semantic Genetic Programming for Symbolic Regression
本文提出TSGP方法，利用生成式transformer作为搜索算子学习解的语义相似性，在符号回归中生成规模小且预测质量优于多种基准算法的解。
2025-01-30 cs.NE
Towards Advanced Phenotypic Mutations in Cartesian Genetic Programming
TU Dortmund University（多特蒙德工业大学）；Department of Computer Science（计算机科学系）
笛卡尔遗传编程通常使用点突变作为唯一的遗传算子。在本文中，我们提出了两个表型突变技术，并采取了一个步骤，先进的表型突变的笛卡尔遗传编程。所提出的突变的功能受到生物进化的启发，生物进化通过插入和删除核苷酸来突变DNA序列。符号回归和布尔函数问题的实验表明，当使用所提出的突变时，具有更好的搜索性能。我们的实验结果表明，表型突变的使用可能有利于笛卡尔遗传编程的使用。
2018-03-16 cs.AI cs.NE
Solving the Exponential Growth of Symbolic Regression Trees in Geometric Semantic Genetic Programming
几何语义遗传编程（GSGP）的进展表明，这种变体的遗传编程（GP）达到更好的结果比其前身的监督机器学习问题，特别是在符号回归的任务。然而，通过构造，几何语义交叉算子生成的个体随着代的数量呈指数增长，从而导致使用有限的解决方案。本文提出了一种新的个体简化方法--简约树GSGP（GSGP-Red）。GSGP-Red通过扩展几何语义操作符生成的函数来工作。所得到的扩展函数被保证为线性组合，在第二步骤中，其具有重复的结构和聚合的相应系数。在12个真实世界数据集上的实验表明，它不仅可以在竞争激烈的计算时间内创建更小和完全等效的个体，而且还可以将组成它们的节点数量平均减少58个数量级。
2018-04-18 cs.NE
Semantic variation operators for multidimensional genetic programming
多维遗传编程代表候选解决方案的程序集，从而提供了一个有趣的框架，利用积木识别。为了实现这一目标，我们研究了使用机器学习作为一种方式来偏见的程序的组件被提升，并提出了两个语义操作符来选择有用的构建块放置在交叉。我们提出的一个前向阶段交叉算子导致了一组回归问题的显着改善，并在一个大型基准研究中产生了最先进的结果。我们讨论了这种架构和其他方面的倾向，允许启发式搜索利用信息在进化过程中。最后，我们研究这些架构产生的数据表示的共线性和复杂性，以期解开应用程序中的变化因素。
2019-04-18 cs.NE
Long-Term Evolution of Genetic Programming Populations
我们进化二进制多路复用6树多达100000代进化一些程序超过一亿个节点。我们的无界长期进化实验LTEE GP似乎没有进化积木，但确实表明了膨胀的限制。我们确实看到了几十代甚至几百代的时期，那里的人口是100%功能性收敛的。树木大小的分布并不像理论所预测的那样。
2017-03-24 cs.NE
Scaling Genetic Programming for Source Code Modification
在基于搜索的软件工程中，遗传编程已被用于通过修改源代码来修复错误、提高性能和并行化程序。在将诸如遗传编程的演化计算算法应用于类似的代码操纵任务的情况下，真实世界软件的源代码的复杂性和大小造成了可扩展性问题。为了解决这个问题，我们打算检查如何软件工程的概念模块化，粒度和本地化的变化可以重新制定为额外的机制内的遗传编程算法。
2012-11-21 cs.NE cs.SE
A Trillion Genetic Programming Instructions per Second
我们总结了如何3.0 GHz的16核AVX 512计算机可以解释相当于平均高达1103370000000 GPop/s。引用现有的出版物。实现重点放在并行计算、带宽限制和避免重复计算上。信息论表明，在数字计算中，失败的中断传播提供了巨大的速度提升，因为FDP和增量评估可以用于减少表型收敛种群中的适应度评估时间。相反，FDP可能是进化停滞的原因。因此，更广泛的进化计算、人工生命、非传统计算和软件工程社区可能需要避免深度嵌套。
2022-05-06 cs.NE
An Automatic Design Framework of Swarm Pattern Formation based on Multi-objective Genetic Programming
现有的群体模式形成方法大多依赖于预定义的基因调控网络（GRN）结构，需要设计者的先验知识，难以适应复杂多变的环境。为动态适应复杂多变的环境，提出了一种基于多目标遗传编程的群体模式形成自动设计框架。该框架不需要预先定义基于GRN的模型的结构，它应用一些基本的网络模体来自动构建基于GRN的模型。此外，多目标遗传编程（MOGP）与NSGA-II相结合，即MOGP-NSGA-II，以平衡基于GRN的模型的复杂性和准确性。在进化过程中，MOGP-NSGA-II和差分进化（DE）并行优化基于GRN的模型的结构和参数。仿真结果表明，该框架能够有效地演化出一些新的基于广义回归网络的模型，这些模型不仅结构简单、性能优良，而且对复杂多变的环境具有较强的鲁棒性。
2019-11-01 cs.NE
Exploiting Tournament Selection for Efficient Parallel Genetic Programming
遗传编程（GP）是一种计算密集型的技术，其本质上是并行的。因此，许多人尝试利用GPU等高度并行的硬件来改善其运行时间。然而，提高GP速度的第二种方法是通过诸如子树缓存之类的效率技术。然而，实现并行性能和效率是一项艰巨的任务。本文将展示一个效率节省GP兼容利用并行CPU硬件，利用比赛选择。显着的效率节省证明，同时保留了高性能并行执行GP的能力。事实上，GP的速度提高了74%，分类类型问题的峰值速率为960亿GPop/s。
2018-09-19 cs.NE
Interval Arithmetic and Interval-Aware Operators for Genetic Programming
通过遗传编程的符号回归是一种灵活的机器学习方法，不需要预先指定模型结构。然而，传统的符号回归方法需要使用保护算子，这可能导致反常的模型特征和较差的泛化能力。在本文中，我们重新审视区间算术作为一种可能的解决方案，让遗传编程进行回归使用无保护的运营商。使用标准的基准测试，我们表明，使用区间算术模型评估并不能防止无效的解决方案进入人口，这意味着搜索性能仍然受到影响。我们扩展了基本的区间算术的概念与“安全”的搜索运营商，将区间信息集成到他们的过程中，从而大大减少了搜索过程中产生的无效解决方案的数量。由此产生的算法能够更有效地识别出良好的模型，这些模型可以很好地推广到看不见的数据。最后，我们分析了基于区间算术的运算符相对于所提供的输入特征区间的准确性的敏感性。
2017-04-17 cs.NE
GPU-Accelerated Genetic Programming for Symbolic Regression with Beagle Framework
Michigan State University（密歇根州立大学）；Noblis, Inc.（Noblis公司）
本文基于Beagle框架，利用GPU加速遗传编程进行符号回归，通过对比实验展示了其在Feynman数据集上优于StackGP和PySR等CPU系统的性能。
2026-03-10 cs.NE
Combining Genetic Programming and Particle Swarm Optimization to Simplify Rugged Landscapes Exploration
大多数现实世界的优化问题很难用传统的统计技术或元分析来解决。其主要困难是存在大量的局部最优解，这可能会导致优化过程的早熟收敛。为了解决这个问题，我们提出了一种新的探试法，用于构建一个光滑的代理模型的原始功能。代理函数更容易优化，但保持了原始粗糙适应度景观的基本属性：全局最优值的位置。为了创建这样一个代理模型，我们考虑了一个线性遗传编程的方法增强了自调整适应函数。所提出的算法，称为GP-FST-PSO代理模型，取得了令人满意的结果，在搜索全局最优值和生产的原始基准函数的视觉近似（在2维的情况下）。
2022-06-07 cs.NE
Highlights of Semantics in Multi-objective Genetic Programming
语义是遗传编程（GP）中的一个不断增长的研究领域，并且是指遗传编程个体在执行时的行为输出。本研究通过提出一种新的方法扩展了当前对语义的理解：基于语义的距离作为附加标准（SDO），在迄今为止，在多目标GP（MOGP）中语义的研究领域有些有限。我们的工作包括GP的性能和多样性指标方面的扩展分析，使用两个额外的基于语义的方法，即基于语义相似性的交叉（SCC）和基于语义的拥挤距离（SCD）。每种方法被集成到两个进化多目标（EMO）框架：非支配排序遗传算法II（NSGA-II）和强度帕累托进化算法2（SPEA 2），并随着这三种语义方法，规范形式的NSGA-II和SPEA 2进行了严格的比较。使用高度不平衡的二进制分类数据集，我们证明了新提出的SDO方法始终生成更多的非支配解，具有更好的多样性和改进的超体积结果。
2022-06-13 cs.NE
Tag-based regulation of modules in genetic programming improves context-dependent problem solving
我们介绍和实验证明的效用，基于标签的遗传调控，一种新的遗传编程（GP）技术，允许程序动态调整哪些代码模块来表达。标记是可演化的标签，它为引用代码模块提供了一种灵活的机制。基于标签的遗传调控扩展了现有的基于标签的命名方案，以允许程序“促进”和“抑制”代码模块，以改变表达模式。这种扩展允许进化将程序构建为基因调控网络，其中模块基于指令执行进行调控。我们展示了一系列的程序合成问题的功能，基于标签的监管。我们发现，基于标签的监管提高了解决问题的性能上下文相关的问题，也就是说，问题的程序必须调整他们如何响应当前输入的基础上先前的输入。事实上，在增加监管之前，该系统无法为一些依赖于背景的问题提供解决方案。然而，我们实施基于标签的遗传调控并不是普遍有益的。我们确定的情况下，正确的反应，一个特定的输入永远不会改变，渲染标签为基础的监管不必要的功能，有时会阻碍适应性进化。基于标签的遗传调控拓宽了我们的技术库，以发展更动态的遗传程序，并可以很容易地被纳入现有的标签使能GP系统。
2021-07-10 cs.NE
Liquid State Genetic Programming
Babeş-Bolyai University（巴比什-博雅伊大学）
本文提出液态状态遗传编程（LSGP），一种结合动态记忆存储输入与遗传编程求解的混合方法，在多个基准问题上表现与标准遗传编程相当或更优。
2023-12-05 cs.AI cs.NE
Solving even-parity problems using traceless genetic programming
Babeş-Bolyai University（巴比什-波雅依大学）
提出了一种遗传编程（GP）的变种--无痕遗传编程（TGP）. TGP是一种混合方法，它结合了构建个体的技术和表示个体的技术。TGP与其他GP技术的主要区别在于TGP不显式地存储演化的计算机程序。两个遗传算子与TGP结合使用：交叉和插入。TGP被应用于演化数字电路的偶校验问题。数值实验表明，TGP比标准GP的性能好几个数量级。
2021-10-04 cs.AI cs.NE
Computational Complexity Analysis of Simple Genetic Programming On Two Problems Modeling Isolated Program Semantics
分析二进制搜索空间的进化算法的计算复杂性，大大增加了他们的理论理解。从这篇论文开始，我们对遗传编程的计算复杂性进行了分析。我们建立了几个简化的遗传编程算法，并分析了他们的两个可分离的模型问题，订单和多数，其中每一个都抓住了一个重要方面的典型遗传编程问题。这两个分析给出了第一个严格的见解方面的遗传编程设计，特别是突出的影响，接受或拒绝中性移动和本地突变算子的重要性。
2010-11-15 cs.CC cs.DS cs.NE
Classification of Two-channel Signals by Means of Genetic Programming
传统上，信号分类是一个需要信号的先验知识的过程。人类专家决定从信号中提取哪些特征，并将其用作分类系统的输入。这一要求可能会使信号的重要未知信息被专家遗漏，并且不包括在特征中。本文提出了一种新的方法，自动分析的信号和提取的特征，没有任何人的参与。因此，不需要关于待分类的信号的先前知识。所提出的方法是基于遗传编程，为了测试这种方法，它已被应用到一个著名的脑电图数据库有关的癫痫，数百万人患有的疾病。如结果部分所示，获得了高精度的分类
2019-04-10 cs.NE
Multi Expression Programming for solving classification problems
多表达式编程（MEP）是一种遗传编程变体，其在单个染色体中编码多个解。本文介绍并深入描述了在MEP的\textit{multi solutions per chromosome}范例中解决二进制和多类分类问题的几种策略。对各种分类问题进行了广泛的实验。MEP显示出与用于比较的其他方法（即人工神经网络和线性遗传编程）相似或更好的性能。
2022-03-16 cs.NE
Semantically-Oriented Mutation Operator in Cartesian Genetic Programming for Evolutionary Circuit Design
尽管有许多成功的应用，笛卡尔遗传编程（CGP）遭受有限的可扩展性，特别是当用于进化电路设计。例如，考虑到乘法器设计问题，5x5位乘法器代表了从随机生成的初始种群演化而来的最复杂的电路。CGP的效率在很大程度上取决于点变异算子的性能，然而，该算子是纯随机的。这与遗传编程（GP）的最新发展形成鲜明对比，其中引入了高级知情方法，如语义感知算子，以提高GP的搜索空间探索能力。本文提出了一种适用于组合电路进化设计的面向语义的变异算子（SOMO）。SOMO使用语义来确定每个突变基因的最佳值。与常见的CGP及其变体以及最近版本的语义GP相比，所提出的方法在保持表型大小相对较小的同时，在常见的布尔基准上收敛得更快。本文给出的成功进化实例包括10位奇偶校验、10+10位加法器和5 × 5位乘法器。最复杂的电路在不到一个小时的时间内就完成了，并且在一个普通的CPU上运行了一个单线程实现。
2020-04-23 cs.NE
How Noisy Data Affects Geometric Semantic Genetic Programming
噪声是从环境中获取和预处理数据的结果，并显示来自不同来源的波动-例如，来自传感器、信号处理技术甚至是人为错误。作为一种机器学习技术，遗传编程（GP）也不能避免这个问题，该领域经常解决这个问题。近年来，几何语义遗传编程（GSGP）作为遗传编程的一个语义感知分支，表现出了良好的鲁棒性和泛化能力。研究人员认为，这些特征可能与对噪声数据的敏感性较低有关。然而，对这一问题还没有系统的研究。本文深入分析了GSGP在噪声环境下的性能。使用15个合成数据集，其中噪声可以控制，我们添加了不同的噪声比的数据，并比较所获得的结果与一个典型的GP。结果表明，随着噪声实例百分比的增加，GSGP的泛化性能下降比GP更明显。然而，在一般情况下，GSGP是更强大的噪声比GP在高达10%的噪声的存在下，并提出没有统计差异的值高于在测试床。
2017-07-04 cs.NE
Using Genetic Programming to Model Software
UCL（伦敦大学学院）
我们研究了一个通用的程序，调查范围自动定制它的一个重要的当前任务，这是没有考虑到当它第一次被写入。详细地说，我们显示遗传编程（GP）可以演变的BLAST的输出方面的模型，当它被用来映射Solexa下一代DNA序列的人类基因组。
2013-06-24 cs.AI cs.NE
Improving Fitness Functions in Genetic Programming for Classification on Unbalanced Credit Card Datasets
基于机器学习的信用卡欺诈检测最近引起了研究界的极大兴趣。这一领域最重要的任务之一是分类器处理信用卡数据不平衡的能力。在这种情况下，尽管实现了高的整体准确性，但分类器往往在欺诈类（少数类）上产生较差的准确性。这是由于传统培训标准的影响。在本文中，我们的目标是应用遗传编程来解决这个问题，通过适应现有的适应度函数。我们研究了以前研究中的两个适应度函数，并开发了两个新的适应度函数来进化GP分类器，使其在少数类和整体上具有更高的准确性。两个UCI信用卡数据集被用来评估建议的适应度函数的有效性。结果表明，建议的适应度函数增强GP分类器，鼓励更适合的解决方案，对少数和多数类。
2017-04-11 cs.NE
Evolving Financial Trading Strategies with Vectorial Genetic Programming
本文提出两种向量遗传编程新变体（支持复数运算和强类型版本），在七年以上金融数据上成功演化出盈利交易策略，并证明强类型VGP始终优于标准GP。
2025-04-07 cs.NE
A Genetic Programming Approach to Designing Convolutional Neural Network Architectures
卷积神经网络（CNN）是深度学习模型之一，在各种计算机视觉任务中取得了很大成功。然而，设计CNN架构仍然需要专业知识和大量的试验和错误。在本文中，我们试图自动构建CNN架构的图像分类任务的基础上笛卡尔遗传编程（CGP）。在我们的方法中，我们采用高度功能化的模块，如卷积块和张量拼接，作为CGP中的节点函数。CGP编码方法所表示的CNN结构和连通性被优化以最大化验证精度。为了评估所提出的方法，我们构建了一个CNN架构的图像分类任务与CIFAR-10数据集。实验结果表明，该方法可以用来自动找到竞争的CNN结构相比，国家的最先进的模型。
2017-08-11 cs.NE
An Aggressive Genetic Programming Approach for Searching Neural Network Structure Under Computational Constraints
最近，出现了对设计自动程序的重新兴趣（例如，使用遗传/进化算法）来优化用于特定任务的卷积神经网络（CNN）的结构。设计此类程序的挑战在于如何在网络结构的大搜索空间和高计算成本之间取得平衡。现有的工作要么对搜索空间施加很强的限制，要么使用巨大的计算资源。在本文中，我们研究如何设计一个遗传编程方法优化的CNN的结构，为一个给定的任务，在有限的计算资源，但没有强加强限制的搜索空间。为了减少计算成本，我们提出了两个一般性的策略，观察到是有帮助的：（i）积极选择最强的个体生存和繁殖，并在很小的年龄杀死较弱的个体;（ii）增加突变频率，以鼓励多样性和更快的进化。与其他优化技术相结合的策略，使我们能够探索一个大的搜索空间，但负担得起的计算成本。我们在标准基准数据集（MNIST，SVHN，CIFAR-10，CIFAR-100）上的结果与计算成本显著降低的类似方法相比具有竞争力。
2018-06-03 cs.NE
Local Optimization Often is Ill-conditioned in Genetic Programming for Symbolic Regression
该研究通过奇异值分解分析遗传编程中局部优化问题的条件数，发现雅可比矩阵常呈病态，并指出限制树大小和增加非线性函数可缓解此问题。
2022-09-02 cs.NE
A Hybrid Genetic Algorithm with Type-Aware Chromosomes for Traveling Salesman Problems with Drone
针对带无人机旅行商问题（TSPD）和飞行伙伴旅行商问题（FSTSP），提出一种结合局部搜索与动态规划的混合遗传算法，通过类型感知染色体分别生成卡车与无人机序列，在多数基准实例上优于现有算法并刷新多项最优解。
2024-04-30 cs.NE
Evolving Shepherding Behavior with Genetic Programming Algorithms
University of Maryland（马里兰大学）
我们应用遗传编程技术的“牧羊”问题，其中一组的一种类型的动物（牧羊犬）试图控制的第二组动物（羊）服从群集行为的运动。我们的遗传编程算法进化出一个表达式树，它控制着每只狗的动作。树的操作数是模拟环境的手动选择的特征，其可以允许狗有效地放牧羊群。该算法使用锦标赛式选择，交叉复制，和点变异。我们发现，进化的解决方案推广良好，优于（天真的）人类设计的算法。
2016-03-19 cs.AI cs.NE
Improving Generalization Ability of Genetic Programming: Comparative Study
在使用遗传编程（GP）进行经验建模的领域中，进化出具有良好泛化能力的解是非常重要的。GP解的泛化能力受到两个重要问题的影响：膨胀和过拟合。膨胀是代码不受控制的增长，没有任何适应性的增益，是GP中的重要问题。我们调查和分类现有的文献相关的GP研究社区使用不同的技术来处理膨胀的问题。此外，还讨论了不同胀形控制方法的分类和胀形控制措施。接下来，我们测试了四种膨胀控制方法：Tarpeian，双锦标赛，字典简约压力与直接桶和比率桶在六个不同的问题，并确定每个膨胀控制方法在每个问题的基础上表现良好。在对各种方法分析的基础上，为了避免解的臃肿，我们将两种方法结合起来：双竞赛法（选择法）和Tarpeian法（先工作后评价法），并与双竞赛法的个体表现所得结果进行了比较。结果发现，通过这两种方法的组合，结果得到了改善。
2013-04-13 cs.NE
